CN109492835A - 车辆控制信息的确定方法、模型训练方法和相关装置 - Google Patents

Abstract

本申请实施例公开了一种车辆控制信息的确定方法，获取第一时刻车辆的相对位置信息、第一预设时间段内所述车辆的状态信息和第二预设时间段内所述车辆的控制信息；根据状态信息和相对位置信息确定车辆对应的特征向量；根据特征向量、第二预设时间段内车辆的控制信息和神经网络模型确定第二时刻车辆的控制信息。神经网络模型是根据从历史驾驶数据中得到的特征向量、第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息训练得到的，若获取新的特征向量，根据训练得到的神经网络模型对新的特征向量进行推理，即可得到对应于新的特征向量的准确控制信息该控制信息更加接近于驾驶者的真实控制，提高车辆的控制精度，避免车辆偏离规划路径。

Description

车辆控制信息的确定方法、模型训练方法和相关装置

技术领域

本发明涉及汽车领域，尤其涉及一种车辆控制信息的确定方法、模型训练方法和相关装置。

背景技术

自动驾驶汽车是一种通过处理器电脑系统实现无人驾驶的智能汽车，通过处理器电脑系统自动判别行驶路况，控制转向、刹车、油门等，解放驾驶员的双手，是未来汽车发展的趋势，目前已经有众多企业正在研发自动驾驶汽车。

自动驾驶汽车是通过为车辆规划好路径，并控制车辆沿着规划路径行驶，从而实现自动驾驶的。目前主要采用比例-积分-微分(proportion-integral-differential，简称PID)算法得到车辆的控制信息，从而根据控制信息对车辆进行控制，使车辆可以沿着规划路径行驶。

但是，PID算法受各种因素限制，例如，受到阈值限制，而阈值的设定易受到主观因素的影响，从而导致计算得到的控制信息不够准确，对车辆的控制精度不高，使得车辆偏离规划路径。

发明内容

为了解决上述技术问题，本申请提供了一种车辆控制信息的确定方法、模型训练方法和相关装置，生成的控制信息更加接近于驾驶者的真实控制，得到的控制信息更加准确，提高车辆的控制精度，避免车辆偏离规划路径。

本申请实施例公开了如下技术方案：

第一方面，本申请实施例提供了一种车辆控制信息的确定方法，所述方法包括：

获取第一时刻车辆的相对位置信息、第一预设时间段内所述车辆的状态信息和第二预设时间段内所述车辆的控制信息；所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；所述第一预设时间段为所述第二预设时间段和第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间，所述第三预设时间段为所述第一时刻之后的一段时间；

根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；

根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和神经网络模型确定所述第二时刻所述车辆的控制信息。

可选的，所述状态信息包括车身朝向信息和速度信息，所述控制信息包括方向盘的转角、刹车开度和油门开度。

可选的，所述第一预设时间段包括所述第一时刻之前的m个时刻和所述第一时刻之后的m个时刻；所述第二预设时间段包括所述第一时刻之前的m个时刻；所述第三预设时间段为所述第一时刻之后的m个时刻；其中，m为正整数。

可选的，所述根据所述状态信息和所述相对位置信息确定所述车辆的特征向量，包括：

确定在地图坐标系中所述状态信息的多个分量信息；

根据所述多个分量信息和所述相对位置信息确定所述车辆的特征向量。

可选的，所述神经网络模型为双向循环卷积神经网络模型。

第二方面，本申请实施例提供了一种模型训练方法，所述方法包括：

根据历史驾驶数据获取第一时刻车辆的相对位置信息，所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；

根据历史驾驶数据获取第一预设时间段内所述车辆的状态信息、第二预设时间段内所述车辆的控制信息和第三预设时间段内所述车辆的控制信息；所述第一预设时间段为所述第二预设时间段和所述第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间；所述第三预设时间段为所述第一时刻之后的一段时间；

根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；

根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和所述第三预设时间段内所述车辆的控制信息训练神经网络模型，所述神经网络模型用于确定所述车辆在第二时刻的控制信息；所述第二时刻为所述第一时刻的下一时刻。

可选的，所述状态信息包括车身朝向信息和速度信息，所述控制信息至少包括方向盘的转角、刹车开度和油门开度。

可选的，所述根据所述状态信息和所述相对位置信息确定所述车辆的特征向量，包括：

确定在地图坐标系中所述状态信息的多个分量信息；

根据所述多个分量信息和所述相对位置信息确定所述车辆的特征向量。

第三方面，本申请实施例提供了一种车辆控制信息的确定装置，所述装置包括：

获取单元，用于获取第一时刻车辆的相对位置信息、第一预设时间段内所述车辆的状态信息和第二预设时间段内所述车辆的控制信息；所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；所述第一预设时间段为所述第二预设时间段和第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间，所述第三预设时间段为所述第一时刻之后的一段时间；

第一确定单元，用于根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；

第二确定单元，用于根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和神经网络模型确定所述第二时刻所述车辆的控制信息。

可选的，所述状态信息包括车身朝向信息和速度信息，所述控制信息包括方向盘的转角、刹车开度和油门开度。

可选的，所述第一预设时间段包括所述第一时刻之前的m个时刻和所述第一时刻之后的m个时刻；所述第二预设时间段包括所述第一时刻之前的m个时刻；所述第三预设时间段为所述第一时刻之后的m个时刻；其中，m为正整数。可选的，所述第一确定单元具体用于：

确定在地图坐标系中所述状态信息的多个分量信息；

根据所述多个分量信息和所述相对位置信息确定所述车辆的特征向量。

可选的，所述神经网络模型为双向循环卷积神经网络模型。

第四方面，本申请实施例提供了一种模型的训练装置，所述装置包括：

第一获取单元，用于根据历史驾驶数据获取第一时刻车辆的相对位置信息，所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；

第二获取单元，用于根据历史驾驶数据获取第一预设时间段内所述车辆的状态信息、第二预设时间段内所述车辆的控制信息和第三预设时间段内所述车辆的控制信息；所述第一预设时间段为所述第二预设时间段和所述第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间；所述第三预设时间段为所述第一时刻之后的一段时间；

确定单元，用于根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；

训练单元，用于根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和所述第三预设时间段内所述车辆的控制信息训练神经网络模型，所述神经网络模型用于确定所述车辆在第二时刻的控制信息；所述第二时刻为所述第一时刻的下一时刻。

可选的，所述状态信息包括车身朝向信息和速度信息，所述控制信息至少包括方向盘的转角、刹车开度和油门开度。

可选的，所述确定单元具体用于：

确定在地图坐标系中所述状态信息的多个分量信息；

根据所述多个分量信息和所述相对位置信息确定所述车辆的特征向量。

由上述技术方案可以看出，在对车辆进行自动控制时，可以获取第一时刻车辆的相对位置信息、第一预设时间段内所述车辆的状态信息和第二预设时间段内所述车辆的控制信息；所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；所述第一预设时间段为所述第二预设时间段和第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间，所述第三预设时间段为所述第一时刻之后的一段时间；根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和神经网络模型确定所述第二时刻所述车辆的控制信息。由于神经网络模型是根据特征向量、第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息训练得到的，特征向量可以反映出车辆的相对位置和状态等历史相关信息，第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息是驾驶者在面对车辆的某种历史相关信息对车辆进行控制的控制信息，是对车辆的准确控制，故，当对车辆进行自动控制时，若获取新的特征向量，根据训练得到的神经网络模型对新的特征向量进行推理，即可得到对应于新的特征向量的准确控制信息，提高车辆的控制精度，避免车辆偏离规划路径。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种车辆控制信息的确定方法的流程图；

图2为本申请实施例提供的一种模型训练方法的流程图；

图3为本申请实施例提供的一种车辆控制信息的确定装置的结构图；

图4为本申请实施例提供的一种模型训练装置的结构图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

利用PID算法对车辆进行控制时，受各种因素限制，例如，受到阈值限制，而阈值的设定易受到主观因素的影响，从而导致计算得到的控制信息不够准确，对车辆的控制精度不高，使得车辆偏离规划路径。

为此，本申请提供一种车辆控制信息的确定方法，该方法主要采用神经网络模型生成控制信息以对车辆进行控制。具体的，在对车辆进行自动控制时，可以获取第一时刻车辆的相对位置信息、第一预设时间段内所述车辆的状态信息和第二预设时间段内所述车辆的控制信息；所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；所述第一预设时间段为所述第二预设时间段和第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间，所述第三预设时间段为所述第一时刻之后的一段时间；根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和神经网络模型确定所述第二时刻所述车辆的控制信息。由于神经网络模型是根据特征向量、第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息训练得到的，特征向量可以反映出车辆的相对位置和状态等历史相关信息，第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息是驾驶者在面对车辆的某种历史相关信息对车辆进行控制的控制信息，是对车辆的准确控制，故，当对车辆进行自动控制时，若获取新的特征向量，根据训练得到的神经网络模型对新的特征向量进行推理，即可得到对应于新的特征向量的准确控制信息，提高车辆的控制精度，避免车辆偏离规划路径。

下面结合附图对本申请实施例提供的车辆控制信息的确定方法进行介绍。参见图1，该方法包括：

S101、获取第一时刻车辆的相对位置信息、第一预设时间段内所述车辆的状态信息和第二预设时间段内所述车辆的控制信息。

所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；所述第一预设时间段为所述第二预设时间段和第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间，所述第三预设时间段为所述第一时刻之后的一段时间。相对位置信息可以反映出规划路径上第二时刻车辆所需到达位置与第一时刻车辆所在位置之间距离和方向。

需要说明的是，所述状态信息包括车身朝向信息和速度信息，所述控制信息包括方向盘的转角、刹车开度和油门开度。

需要说明的是，所述第一时刻之前的一段时间包括所述第一时刻，即获取的第一预设时间段内所述车辆的状态信息包括第一时刻车辆的状态信息，第二预设时间段内所述车辆的控制信息包括第一时刻车辆的控制信息。第一预设时间段和第二预设时间段一般不会选取过长，从而保证第一预设时间段和第二预设时间段中的各个时刻与第一时刻之间的间隔不会过长，从而获得的控制信息和状态信息更具有参考价值。

在一些情况下，所述第一预设时间段包括所述第一时刻之前的m个时刻和所述第一时刻之后的m个时刻；所述第二预设时间段包括所述第一时刻之前的m个时刻；所述第三预设时间段为所述第一时刻之后的m个时刻；其中，m为正整数。

需要说明的是，S101的一种实现方式可以为：获取所示第一时刻所述车辆在地图坐标系中的第一位置信息，以及所述第二时刻所述车辆所到达位置的第二位置信息；根据所述第一位置信息和所述第二位置信息确定所述相对位置信息。其中，第一位置信息和第二位置信息是车辆的定位信息。

可见，在本申请实施例中，需要获得车辆的定位信息、车身朝向信息和车速信息。定位信息和车身朝向信息可以是根据激光雷达建立的定位地图和惯性测量单元(Inertialmeasurement unit，简称IMU)提供的数据进行融合得到的。车速信息可以是通过传感器检测得到的。

在一种可能的实现方式中，所述朝向信息是指在地图坐标系中，车身与地图坐标系各个坐标轴之间的角度，地图坐标系的确定可以是在地面上选一点O，X轴在水平面内并指向某一方向，Z轴垂直于地面并指向地心，Y轴在水平面内垂直于X轴，其指向按右手定则确定。

例如，朝向信息可以用车身绕X轴、Y轴、Z轴转动的角度来表示，其中，车身绕Z轴转动的角度可以用滚动角(roll)表示，车身绕Y轴转动的角度可以用偏航角(yaw)表示，车身绕X轴转动的角度可以用俯仰角(pitch)表示。

在地图坐标系中，根据车辆的车身朝向信息，车速信息也可以通过车速在各个坐标轴上的分量来体现，即获得的车速信息包括X、Y、Z轴上的三轴转速信息。

S102、根据所述状态信息和所述相对位置信息确定车辆对应的特征向量。

由于车身朝向信息是指在地图坐标系中，车身与地图坐标系各个坐标轴之间的角度，即在地图坐标系中状态信息可能包括多个分量信息，每个分量信息分别对应车身相对于坐标轴的转动角度。在这种情况下，S102的一种可能的实现方式为，首先确定在地图坐标系中所述状态信息的多个分量信息；然后，根据所述多个分量信息和所述相对位置信息确定车辆的特征向量。

特征向量可以量化的反映出当前车辆的相对位置信息和状态信息等相关信息，从而根据特征向量确定出控制信息对车辆进行控制，使得车辆可以按照规划路径行驶到下一位置。

S103、根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和神经网络模型确定第二时刻所述车辆的控制信息。

将特征向量、所述第二预设时间段内所述车辆的控制信息输入到神经网络模型，由于神经网络模型是根据特征向量、第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息训练得到的，特征向量可以反映出车辆的相对位置和状态等历史相关信息，第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息是驾驶者在面对车辆的某种历史相关信息对车辆进行控制的控制信息，是对车辆的准确控制，故，当对车辆进行自动控制时，若获取新的特征向量，根据训练得到的神经网络模型对新的特征向量进行推理，即可得到对应于新的特征向量的准确控制信息。

神经网络模型可以包括很多种，例如，卷积神经网络模型、单向循环卷积神经网络模型、双向循环卷积神经网络模型等。在车辆行驶过程中，控制信息是实时生成的，生成的控制信息可以看作是时间序列数据，时间序列数据前后之间具有很强的关联性的，前面出现的数据对后面的数据有重大影响的，甚至后面的数据对前面的数据也是有重要影响的，为此，本实施例中提出了双向循环神经网络。由于双向循环神经网络向前层和向后层都连接着输出层，向前和向后两个方向的网络结合到一起就能实现在确定当前控制信息时，同时考虑前一时刻和后一时刻的数据对控制信息的影响，使得确定出的控制信息更加准确。

由上述技术方案可以看出，在对车辆进行自动控制时，可以获取第一时刻车辆的相对位置信息、第一预设时间段内所述车辆的状态信息和第二预设时间段内所述车辆的控制信息；所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；所述第一预设时间段为所述第二预设时间段和第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间，所述第三预设时间段为所述第一时刻之后的一段时间；根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和神经网络模型确定所述第二时刻所述车辆的控制信息。由于神经网络模型是根据特征向量、第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息训练得到的，特征向量可以反映出车辆的相对位置和状态等历史相关信息，第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息是驾驶者在面对车辆的某种历史相关信息对车辆进行控制的控制信息，是对车辆的准确控制，故，当对车辆进行自动控制时，若获取新的特征向量，根据训练得到的神经网络模型对新的特征向量进行推理，即可得到对应于新的特征向量的准确控制信息，提高车辆的控制精度，避免车辆偏离规划路径。

需要说明的是，在本实施例中生成控制信息采用的是相对位置信息，而非绝对位置信息，由于相对位置信息不需要依赖于预先构建的电子地图，故，在新的未构建电子地图的环境中，本申请实施例仍旧可以利用神经网络模型准确预测第二时刻车辆的控制信息。在图1对应的实施例中，利用神经网络模型生成控制信息，以便根据控制信息控制车辆，而神经网络模型是预先训练得到的。接下来，将对神经网络模型的训练方法进行介绍。

参见图2，所述方法包括：

S201、根据历史驾驶数据获取第一时刻车辆的相对位置信息。

所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻。

S202、根据历史驾驶数据获取第一预设时间段内所述车辆的状态信息、第二预设时间段内所述车辆的控制信息和第三预设时间段内所述车辆的控制信息。

所述第一预设时间段为所述第二预设时间段和所述第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间；所述第三预设时间段为所述第一时刻之后的一段时间。

其中，所述状态信息可以包括车身朝向信息和速度信息，所述控制信息至少包括方向盘的转角、刹车开度和油门开度。

在本实施例中，可以通过驾驶者在实际场景中驾驶车辆，收集驾驶者在驾驶车辆过程中产生的数据，例如，包括各个时刻的控制信息、状态信息和相对位置信息等。

其中，相对位置信息的获取方式可以是：根据预先构建的电子地图获取所述第一时刻所述车辆的第一位置信息和所述第二时刻所述车辆所到达位置的第二位置信息；将所述第二位置信息和所述第一位置信息之差作为所述相对位置信息。

S203、根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量。

由于朝向信息是指在地图坐标系中，车身与地图坐标系各个坐标轴之间的角度，即在地图坐标系中状态信息可能包括多个分量信息，每个分量信息分别对应车身相对于坐标轴的转动角度。在这种情况下，S203的实现方式可以是：确定在地图坐标系中所述状态信息的多个分量信息；根据所述多个分量信息和所述相对位置信息确定车辆的特征向量。

S204、根据所述历史特征向量、所述第二预设时间段内所述车辆的控制信息和所述第三预设时间段内所述车辆的控制信息训练神经网络模型，所述神经网络模型用于确定车辆的控制信息。

由于神经网络模型是根据特征向量、第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息训练得到的，特征向量可以反映出车辆的相对位置和状态等历史相关信息，第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息是驾驶者在面对车辆的某种历史相关信息对车辆进行控制的控制信息，是对车辆的准确控制，故，当对车辆进行自动控制时，若获取新的特征向量，根据训练得到的神经网络模型对新的特征向量进行推理，即可得到对应于新的特征向量的准确控制信息，提高车辆的控制精度，避免车辆偏离规划路径。

基于图1对应的实施例提供的车辆控制信息的确定方法，本实施例提供一种车辆控制信息的确定装置，参见图3，所述装置包括：

获取单元301，用于获取第一时刻车辆的相对位置信息、第一预设时间段内所述车辆的状态信息和第二预设时间段内所述车辆的控制信息；所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；所述第一预设时间段为所述第二预设时间段和第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间，所述第三预设时间段为所述第一时刻之后的一段时间；

第一确定单元302，用于根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；

第二确定单元303，用于根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和神经网络模型确定所述第二时刻所述车辆的控制信息。

可选的，所述状态信息包括车身朝向信息和速度信息，所述控制信息包括方向盘的转角、刹车开度和油门开度。

可选的，所述第一预设时间段包括所述第一时刻之前的m个时刻和所述第一时刻之后的m个时刻；所述第二预设时间段包括所述第一时刻之前的m个时刻；所述第三预设时间段为所述第一时刻之后的m个时刻；其中，m为正整数。

可选的，所述第一确定单元具体用于：

确定在地图坐标系中所述状态信息的多个分量信息；

根据所述多个分量信息和所述相对位置信息确定所述车辆的特征向量。

可选的，所述神经网络模型为双向循环卷积神经网络模型。

由上述技术方案可以看出，在对车辆进行自动控制时，可以获取第一时刻车辆的相对位置信息、第一预设时间段内所述车辆的状态信息和第二预设时间段内所述车辆的控制信息；所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；所述第一预设时间段为所述第二预设时间段和第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间，所述第三预设时间段为所述第一时刻之后的一段时间；根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和神经网络模型确定所述第二时刻所述车辆的控制信息。由于神经网络模型是根据特征向量、第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息训练得到的，特征向量可以反映出车辆的相对位置和状态等历史相关信息，第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息是驾驶者在面对车辆的某种历史相关信息对车辆进行控制的控制信息，是对车辆的准确控制，故，当对车辆进行自动控制时，若获取新的特征向量，根据训练得到的神经网络模型对新的特征向量进行推理，即可得到对应于新的特征向量的准确控制信息，提高车辆的控制精度，避免车辆偏离规划路径。

基于图2对应的实施例提供的模型训练方法，本实施例提供一种模型的训练装置，参见图4，所述装置包括：

第一获取单元401，用于根据历史驾驶数据获取第一时刻车辆的相对位置信息，所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；

第二获取单元402，用于根据历史驾驶数据获取第一预设时间段内所述车辆的状态信息、第二预设时间段内所述车辆的控制信息和第三预设时间段内所述车辆的控制信息；所述第一预设时间段为所述第二预设时间段和所述第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间；所述第三预设时间段为所述第一时刻之后的一段时间；

确定单元403，用于根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；

训练单元404，用于根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和所述第三预设时间段内所述车辆的控制信息训练神经网络模型，所述神经网络模型用于确定所述车辆在第二时刻的控制信息；所述第二时刻为所述第一时刻的下一时刻。

可选的，所述状态信息包括车身朝向信息和速度信息，所述控制信息至少包括方向盘的转角、刹车开度和油门开度。

可选的，所述确定单元具体用于：

确定在地图坐标系中所述状态信息的多个分量信息；

根据所述多个分量信息和所述相对位置信息确定所述车辆的特征向量。

由于神经网络模型是根据特征向量、第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息训练得到的，特征向量可以反映出车辆的相对位置和状态等历史相关信息，第二预设时间段内车辆的控制信息和第三预设时间段内车辆的控制信息是驾驶者在面对车辆的某种历史相关信息对车辆进行控制的控制信息，是对车辆的准确控制，故，当对车辆进行自动控制时，若获取新的特征向量，根据训练得到的神经网络模型对新的特征向量进行推理，即可得到对应于新的特征向量的准确控制信息，提高车辆的控制精度，避免车辆偏离规划路径。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器(英文：read-only memory，缩写：ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种车辆控制信息的确定方法，其特征在于，所述方法包括：

获取第一时刻车辆的相对位置信息、第一预设时间段内所述车辆的状态信息和第二预设时间段内所述车辆的控制信息；所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；所述第一预设时间段为所述第二预设时间段和第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间，所述第三预设时间段为所述第一时刻之后的一段时间；

根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；

根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和神经网络模型确定所述第二时刻所述车辆的控制信息。

2.根据权利要求1所述的方法，其特征在于，所述状态信息包括车身朝向信息和速度信息，所述控制信息包括方向盘的转角、刹车开度和油门开度。

3.根据权利要求1所述的方法，其特征在于，所述第一预设时间段包括所述第一时刻之前的m个时刻和所述第一时刻之后的m个时刻；所述第二预设时间段包括所述第一时刻之前的m个时刻；所述第三预设时间段为所述第一时刻之后的m个时刻；其中，m为正整数。

4.根据权利要求1所述的方法，其特征在于，所述根据所述状态信息和所述相对位置信息确定所述车辆的特征向量，包括：

确定在地图坐标系中所述状态信息的多个分量信息；

根据所述多个分量信息和所述相对位置信息确定所述车辆的特征向量。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述神经网络模型为双向循环卷积神经网络模型。

6.一种模型训练方法，其特征在于，所述方法包括：

根据历史驾驶数据获取第一时刻车辆的相对位置信息，所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；

根据历史驾驶数据获取第一预设时间段内所述车辆的状态信息、第二预设时间段内所述车辆的控制信息和第三预设时间段内所述车辆的控制信息；所述第一预设时间段为所述第二预设时间段和所述第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间；所述第三预设时间段为所述第一时刻之后的一段时间；

根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；

根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和所述第三预设时间段内所述车辆的控制信息训练神经网络模型，所述神经网络模型用于确定所述车辆在第二时刻的控制信息；所述第二时刻为所述第一时刻的下一时刻。

7.根据权利要求6所述的方法，其特征在于，所述状态信息包括车身朝向信息和速度信息，所述控制信息至少包括方向盘的转角、刹车开度和油门开度。

8.根据权利要求6所述的方法，其特征在于，所述根据所述状态信息和所述相对位置信息确定所述车辆的特征向量，包括：

确定在地图坐标系中所述状态信息的多个分量信息；

根据所述多个分量信息和所述相对位置信息确定所述车辆的特征向量。

9.一种车辆控制信息的确定装置，其特征在于，所述装置包括：

获取单元，用于获取第一时刻车辆的相对位置信息、第一预设时间段内所述车辆的状态信息和第二预设时间段内所述车辆的控制信息；所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；所述第一预设时间段为所述第二预设时间段和第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间，所述第三预设时间段为所述第一时刻之后的一段时间；

第一确定单元，用于根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；

第二确定单元，用于根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和神经网络模型确定所述第二时刻所述车辆的控制信息。

10.一种模型训练装置，其特征在于，所述装置包括：

第一获取单元，用于根据历史驾驶数据获取第一时刻车辆的相对位置信息，所述相对位置信息是所述车辆在规划路径上所述第一时刻所在位置与第二时刻所到达位置之间的相对位置信息；所述第二时刻为所述第一时刻的下一时刻；

第二获取单元，用于根据历史驾驶数据获取第一预设时间段内所述车辆的状态信息、第二预设时间段内所述车辆的控制信息和第三预设时间段内所述车辆的控制信息；所述第一预设时间段为所述第二预设时间段和所述第三预设时间段之和；所述第二预设时间段为所述第一时刻之前的一段时间；所述第三预设时间段为所述第一时刻之后的一段时间；

确定单元，用于根据所述状态信息和所述相对位置信息确定所述车辆对应的特征向量；

训练单元，用于根据所述特征向量、所述第二预设时间段内所述车辆的控制信息和所述第三预设时间段内所述车辆的控制信息训练神经网络模型，所述神经网络模型用于确定所述车辆在第二时刻的控制信息；所述第二时刻为所述第一时刻的下一时刻。